1 PENDAHULUAN

1.1 Latar Belakang

Pada era sekarang, pemerintah mendukung adanya upaya dalam peningkatan pendapatan daerah. Dengan menarik wisatawan dapat meningkatakan pendapatan daerah. Salah satu sektor penting dalam menngkatkan pendapatan salah satunya sektor pariwisata. Di Indonesia banyak sekali daerah yang dapat dijadikan destinasi wisata. Salah satu provinsi yang memiliki daya tarik wisata yang tinggi yaitu Provinsi Jawa Tengah. Provinsi Jawa Tengah merupakan wilayah dengan sektor pariwisata yang banyak dikunjungi wisatawan baik lokal maupun mancanegara. Dengan letak provinsi Jawa Tengah berada di tengah pulau jawa menjadikan wilayah provinsi ini strategis untuk dikunjungi. Sehingga pemerintah daerah harus siap memfasilitasi para pengunjung, salah satunya dalam hal prasarana wisata. Faktor yang mempengeruhi perubahan banyaknya wisatawan ada berbagai macam seperti pada indikator tempat makan, tempat hiburan, tempat penginapan, dan lainnya. Sehingga indikator tersebut harus dimaksimalkan agar pendapatan daerah akan dapat meningkat. Karena hal tersebut akan berdampak pada tingkat daya tarik wisatawan. Namun, nyatanya pengadaan fasilitas prasarana wisata pada setiap kabupaten/kota di Jawa Tengah berbeda-beda. Di samping itu, pemerintah kurang memperhatikan kebutuhan kenyamanan wisatawan juga. Maka perlu adanya kebijakan baru untuk memfasilitasi hal tersebut. Tetapi, banyak sekali indikator yang memiliki hubungan satu sama lain sehingga tidak saling bebas. Maka diperlukan reduksi indikator daya tarik wisatawan tetapi tidak menghilangkan sifat dari indikator asal tersebut. Oleh karena itu, pada penelitian ini menggunakan analisis komponen utama karena ingin mengetahui faktor-faktor daya tarik wisatawan di Kabupaten/Kota Provinsi Jawa Tengah.

2 TINJAUAN PUSTAKA

2.1 Analisis Komponen Utama

Menurut Sigit (2008) Analisis Komponen Utama (AKU) merupakan analisis statistika peubah ganda yang dapat digunakan untuk mereduksi sejumlah peubah asal menjadi beberapa peubah baru yang bersifat ortogonal dan tetap mempertahankan total keragaman dari peubah asalnya. Analisis Komponen Utama bekerja pada matriks ragam-peragam dari peubah asal atau dapat juga menggunkan matriks korelasi antar peubah asal yang diamati. Dengan menghitung akar ciri dan vektor ciri dari matriks tersebut akan didapatkan peubah baru yang bersifat ortogonal. Metode PCA bertujuan untuk menyederhanakan variabel yang diamati dengan cara mereduksi dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali. Setelah beberapa komponen hasil PCA yang bebas multikolinearitas diperoleh, maka komponen-komponen tersebut menjadi variabel bebas baru yang akan diregresikan atau dianalisis pengaruhnya terhadap variabel tak bebas (Y) dengan menggunakan analisis regresi. Keunggulan metode PCA diantaranya adalah dapat menghilangkan korelasi secara bersih tanpa harus mengurahi jumlah variabel asal.

3 DATA YANG DIGUNAKAN

3.1 Sumber Data

Pada penelitian ini menggunakan data sekunder yang berasal dari website bps Jawa Tengah tahun 2020. Penelitian ini mengambil sampel sebanyak 35 Kabupaten/Kota di Jawa Tengah.

3.2 Variabel

Penelitian ini menggunakan 6 variabel indikator daya tarik wisatawan yaitu terdiri atas banyaknya hotel (X1), banyaknya restoran (X2), akomodasi (X3), tenaga kerja (X4), banyakya kamar (X5), banyaknya kasur (X6).

> library(readxl)
> prasarana <- read_excel("C:/SEMESTER 5/ANMUL/datapca.xlsx")
> prasarana
# A tibble: 35 × 7
   KabupatenKota          hotel restoran akomodasi tenaga kamar kasur
   <chr>                  <dbl>    <dbl>     <dbl>  <dbl> <dbl> <dbl>
 1 Kabupaten Cilacap         57      152        43     66   874  1939
 2 Kabupaten Banyumas       189      996       176   1160  1113  2222
 3 Kabupaten Purbalingga     23       10        22   1246   140   190
 4 Kabupaten Banjarnegara    47       11        46    471   171   342
 5 Kabupaten Kebumen         40       30        38     93   155   312
 6 Kabupaten Purworejo       18       53        17    810    49    71
 7 Kabupaten Wonosobo       142       10       139     50   281   606
 8 Kabupaten Magelang        67      172        57   1639   497  1089
 9 Kabupaten Boyolali        21       14        18     34   220   382
10 Kabupaten Klaten          62       24        61   3408    61    96
# … with 25 more rows
> str(prasarana)
tibble [35 × 7] (S3: tbl_df/tbl/data.frame)
 $ KabupatenKota: chr [1:35] "Kabupaten Cilacap" "Kabupaten Banyumas" "Kabupaten Purbalingga" "Kabupaten Banjarnegara" ...
 $ hotel        : num [1:35] 57 189 23 47 40 18 142 67 21 62 ...
 $ restoran     : num [1:35] 152 996 10 11 30 53 10 172 14 24 ...
 $ akomodasi    : num [1:35] 43 176 22 46 38 17 139 57 18 61 ...
 $ tenaga       : num [1:35] 66 1160 1246 471 93 ...
 $ kamar        : num [1:35] 874 1113 140 171 155 ...
 $ kasur        : num [1:35] 1939 2222 190 342 312 ...

4 Source Code

4.1 Komponen Utama

> pr.out <- prcomp(x = prasarana[, c(-1)],center = TRUE, scale. = TRUE)
> summary(pr.out)
Importance of components:
                          PC1    PC2    PC3     PC4     PC5     PC6
Standard deviation     1.8455 1.2266 0.8386 0.62019 0.03032 0.02630
Proportion of Variance 0.5677 0.2507 0.1172 0.06411 0.00015 0.00012
Cumulative Proportion  0.5677 0.8184 0.9356 0.99973 0.99988 1.00000

Menghitung banyak komponen utama dengan menggunakan proporsi kumulatif varians. Menggunakan function prcomp() dari data prasarana yang dikurangi kolom 1(tidak mengambil kolom kabupaten/kota. Data ditransformasi dengan ditunjukkan perintah scale true. Menampilkan hasil analisis dengan output dari summary.

4.2 Scree Plot

4.2.1 Korelasi

> prasarana_cor <- cor(prasarana[ ,-1]) 
> prasarana_cor
              hotel  restoran akomodasi       tenaga        kamar       kasur
hotel     1.0000000 0.6152628 0.9641681  0.448443575  0.533219695 0.565927128
restoran  0.6152628 1.0000000 0.5570777  0.114286064  0.421539616 0.444376122
akomodasi 0.9641681 0.5570777 1.0000000  0.499535717  0.292820395 0.330383294
tenaga    0.4484436 0.1142861 0.4995357  1.000000000 -0.006367086 0.001511841
kamar     0.5332197 0.4215396 0.2928204 -0.006367086  1.000000000 0.998216531
kasur     0.5659271 0.4443761 0.3303833  0.001511841  0.998216531 1.000000000

Cara lain menghitung komponen menggunakan scree plot. Awalnya Menghitung korelasi dari 6 variabel menggunakan function cor() yang disimpan dengan nama prasarana_cor.

4.2.2 Nilai Eigen

> prasarana_eig <- eigen(prasarana_cor)
> prasarana_eig
eigen() decomposition
$values
[1] 3.4059656230 1.5044987327 0.7032943795 0.3846303772 0.0009190742
[6] 0.0006918133

$vectors
           [,1]         [,2]        [,3]        [,4]          [,5]         [,6]
[1,] -0.5076071 -0.214294527  0.04745919  0.36526287 -0.3234319837  0.675377861
[2,] -0.3927636  0.001126769  0.68455186 -0.61401457  0.0008283354 -0.010470884
[3,] -0.4450343 -0.390533703  0.14642748  0.45772783  0.2481002917 -0.597426429
[4,] -0.2048478 -0.581687754 -0.58694598 -0.52428334  0.0161984396 -0.005979461
[5,] -0.4106670  0.489898382 -0.29823076 -0.06318397 -0.5935130183 -0.382309691
[6,] -0.4235637  0.472439355 -0.27248522 -0.03448410  0.6937702925  0.201594428

Menghitung nilai eigen menggunakan function eigen() yang disimpan dengan nama prasarana_eig.

4.2.3 Visualisasi Scree Plot

> scree_data <- data.frame(eigen_value = eigen(prasarana_cor)$values, PC = 1:6)
> plot(x = scree_data$PC, y = scree_data$eigen_value, type = 'b',
+      xlab = 'Komponen Utama ke-', ylab = 'Varians (Nilai Eigen)', 
+      main = 'Scree Plot')

Membentuk dataframe dengan function data.frame() yang berisi nilai eigen yang disimpan dengan nama scree_data. Membentuk scree plot menggunakan function plot() dengan sumbu y merupakan nilai eigen dan sumbu x merupakan komponen utama ke- ‘…’.

4.3 Menghitung Koefisien Komponen Utama

> pr.out <- prcomp(x = prasarana[, c(-1)], center = TRUE, scale. = TRUE)
> pr.out
Standard deviations (1, .., p=6):
[1] 1.84552584 1.22658010 0.83862648 0.62018576 0.03031624 0.02630234

Rotation (n x k) = (6 x 6):
                PC1          PC2         PC3         PC4           PC5
hotel     0.5076071 -0.214294527 -0.04745919  0.36526287 -0.3234319837
restoran  0.3927636  0.001126769 -0.68455186 -0.61401457  0.0008283354
akomodasi 0.4450343 -0.390533703 -0.14642748  0.45772783  0.2481002917
tenaga    0.2048478 -0.581687754  0.58694598 -0.52428334  0.0161984396
kamar     0.4106670  0.489898382  0.29823076 -0.06318397 -0.5935130183
kasur     0.4235637  0.472439355  0.27248522 -0.03448410  0.6937702925
                   PC6
hotel     -0.675377861
restoran   0.010470884
akomodasi  0.597426429
tenaga     0.005979461
kamar      0.382309691
kasur     -0.201594428

Menghitung koefesien komponen utama dengan function prcomp() dari data prasarana selain kolom 1 dan data ditransformasi ditunjukkan pada scale true. Lalu menampilkan output pr.out yaitu koefesien komponen utama.

5 HASIL DAN PEMBAHASAN

5.1 Mengimport Data

> head(prasarana)
# A tibble: 6 × 7
  KabupatenKota          hotel restoran akomodasi tenaga kamar kasur
  <chr>                  <dbl>    <dbl>     <dbl>  <dbl> <dbl> <dbl>
1 Kabupaten Cilacap         57      152        43     66   874  1939
2 Kabupaten Banyumas       189      996       176   1160  1113  2222
3 Kabupaten Purbalingga     23       10        22   1246   140   190
4 Kabupaten Banjarnegara    47       11        46    471   171   342
5 Kabupaten Kebumen         40       30        38     93   155   312
6 Kabupaten Purworejo       18       53        17    810    49    71

Berdasarkan data yang digunakan terdapat 6 variabel dari 38 data. Pada output diatas menunjukkan 6 data awal.

5.2 Penentuan Jumlah Komponen Utama

Pada penentuan jumlah komponen utama terdapat 3 cara yang dapat digunakan yaitu pendekatan proporsi kumulatif, scree plot, dan nilai eigen.

5.2.1 Pendekatan Proporsi Kumulatif

> summary(pr.out)
Importance of components:
                          PC1    PC2    PC3     PC4     PC5     PC6
Standard deviation     1.8455 1.2266 0.8386 0.62019 0.03032 0.02630
Proportion of Variance 0.5677 0.2507 0.1172 0.06411 0.00015 0.00012
Cumulative Proportion  0.5677 0.8184 0.9356 0.99973 0.99988 1.00000

Berdasarkan output diatas maka dapat disimpulkan bahwa analisis akan menggunakan 2 komponen utama karena 2 komponen utama sudah dapat menangkap keragaman sebesar 81,84%. Proposi keragaman dianggap cukup mewakili total keragaman data jika nilai Proporsi kumulatif variansnya minimal 70%-80%.

5.2.2 Scree Plot

Penentuan jumlah komponen berdasarkan posisi titik kurva ketika mulai melandai. Yang berarti banyaknya komponen utama yang diambil adalah titik dimana terdapat penurunan yang tajam sebelum titik tersebut dan disusul penurunan yang tidak tajam setelah titik tersebut. Sehingga pada gambar scree plot di atas pada posisi titik 2 kurva mulai melandai. Maka dapat ditentukan banyaknya komponen utama sebanyak 2.

5.2.3 Nilai Eigen

> prasarana_eig$values
[1] 3.4059656230 1.5044987327 0.7032943795 0.3846303772 0.0009190742
[6] 0.0006918133

Berdasarkan output diatas maka dapat disimpulkan bahwa nilai eigen komponen utama 2 yaitu 1,5 lebih dari 1. Sehingga dapat ditentukan banyak komponen utama sejumlah 2. Maka dari ketiga cara menentukan banyak komponen utama menghasilkan kesimpulan yang sama yaitu jumlah komponen utama sebanyak 2.

5.3 Koefesien Komponen Utama

> pr.out$rotation
                PC1          PC2         PC3         PC4           PC5
hotel     0.5076071 -0.214294527 -0.04745919  0.36526287 -0.3234319837
restoran  0.3927636  0.001126769 -0.68455186 -0.61401457  0.0008283354
akomodasi 0.4450343 -0.390533703 -0.14642748  0.45772783  0.2481002917
tenaga    0.2048478 -0.581687754  0.58694598 -0.52428334  0.0161984396
kamar     0.4106670  0.489898382  0.29823076 -0.06318397 -0.5935130183
kasur     0.4235637  0.472439355  0.27248522 -0.03448410  0.6937702925
                   PC6
hotel     -0.675377861
restoran   0.010470884
akomodasi  0.597426429
tenaga     0.005979461
kamar      0.382309691
kasur     -0.201594428

\[ KU1= 0,507 X_1 + 0,392 X_2 +0,445 X_3 + 0,204 X_4 + 0,41 X_5 + 0,423 X_6 \] KU1 menggambarkan ukuran dari variabel hotel, akomodasi, restoran. Berdasarkan informasi tersebut, KU1 dapat dinamakan kemudahan fasilitas publik.

\[ KU2= -0,214 X_1 + 0,001 X_2 -0,39 X_3 - 0,581 X_4 + 0,489 X_5 + 0,472 X_6 \] KU2 menggambarkan ukuran dari variabel kamar, kasur, tenaga kerja. Berdasarkan informasi tersebut, KU2 dapat dinamakan pelayanan penginapan.

6 KESIMPULAN

Berdasarkan hasil analisis dapat disimpulkan bahwa dari data indikator daya tarik wisatawan di Kabupaten/Kota di Jawa Tengah yang terdiri dari 6 variabel telah direduksi menjadi 2 komponen utama yaitu : - Kemudahan fasilitas publik - Pelayanan penginapan. Dari kedua komponen utama tersebut yang berperan besar dalam menjelaskan daya tarik wisatawan yaitu kemudahan fasilitas publik lalu pelayanan penginapan. Sehingga hasil analisis ini dapat dipergunakan untuk analisis lanjutan seperti regresi dan klasifikasi. selain itu, sudah mengatasi masalah multikolinieritas sehingga antar variabel telah saling bebas.